【自用】YOLOv8网络结构详解

1. d（depth_multiple）：深度乘数，调整网络的深度（即层的数量），控制模型的特征提取能力（深度越深，特征提取越复杂，精度越高，但速度越慢）。比如图中Backbone的第一个C2f中有n=3*d，代表这个C2f中Battleneck的数量n = k × d计算（k为基础Bottleneck数量，d为深度乘数）。例如：C2f模块的基础Bottleneck数量为3（如n=3×d）；s版本的d=0.33，则实际Bottleneck数量为3×0.33≈1（取整）；x版本的d=1.0，则实际Bottleneck数量为3×1.0=3（保持基础深度）。即d越大模型程度越深

2.w（width_multiple）：宽度乘数，调整网络的宽度（即卷积层的通道数），控制模型的特征表达能力（宽度越宽，通道数越多，特征越丰富，精度越高，但速度越慢）。YOLOv8中所有卷积层的输出通道数由c = c_base × w计算（c_base为基础通道数，w为宽度乘数）。例如：第一层Conv层的基础通道数为64（如64×w）；若s版本的w=0.5，则实际通道数为64×0.5=32；若x版本的w=1.25，则实际通道数为64×1.25=80（扩展宽度）。

3. r（ratio）：锚框比例，调整锚框（Anchor）的宽高比，控制模型对不同形状目标的适应能力（如细长目标 vs 正方形目标）。r=2.0意味着目标框的宽:高=2:1（或高:宽=2:1），适合细长目标。接下来都以YOLOv8s的d，w，r举例。

表1-1

金字塔

在这幅图中首先映入眼帘的是左上角的金字塔结构。这个结构一共分为五层P1-P5，其中P1代表最高分辨率特征图，P5代表是最低分辨率特征图。其尺寸（分辨率）和通道数遵循以下规律：

尺寸递减：每经过一次下采样（Stride=2的卷积或池化），特征图尺寸减半（如640×640→320×320→160×160→80×80→40×40640×640→320×320→160×160→80×80→40×40）；通道数递增：每经过一次特征提取（如Conv2d或C2f模块），通道数翻倍或按比例增加（如3→64→128→256→512→10243→64→128→256→512→1024，以YOLOv8-s版为例）。

因此不同层会产生不同的特征图以适配不同大小的目标，其特征差异是：

1.浅层特征图（P2∼P3P2∼P3：高分辨率，低语义）分辨率高：如P2=320×320P2=320×320、P3=160×160P3=160×160，保留了原始图像的细节信息（如小目标的边缘、纹理、颜色）；通道数少：如P2=64P2=64、P3=128P3=128，语义信息较浅（仅能识别简单特征，如“边缘”“角落”）；适配目标：小目标（如行人的脸、远处的路标），因为小目标的像素占比小，需要高分辨率才能捕捉到其细节。

2.深层特征图（P4∼P5P4∼P5：低分辨率，高语义）分辨率低：如P4=80×80P4=80×80、P5=40×40P5=40×40，经过多次下采样后，细节信息丢失（小目标的像素可能被合并为几个特征点）；通道数多：如P4=256P4=256、P5=512P5=512，语义信息丰富（能识别复杂特征，如“猫的耳朵”“汽车的轮子”“人的轮廓”）；适配目标：大目标（如汽车、建筑物），因为大目标的像素占比大，需要深层语义信息才能正确分类。

Backbone

在金字塔的下面紧接着就是Backbone,它一共有10层，其中最为关键的是C2f和SPPF

Conv层

可以观察到除第一个Conv外，每经过一个Conv，输出的特征图的大小就越小，通道就越多。而经过C2f后输入输出的大小并不会发生变化。在Conv层，输入的原始图片或者特征图进去之后先是经过卷积Conv2d特征提取与尺寸/通道变换，再经过批量归一化处理BathNorm2d用来加速网络训练并稳定模型，具体可以参考这篇博客深入解析 PyTorch 的 BatchNorm2d：原理与实现 - crazypigf - 博客园

最后经过激活函数层SiLU使网络能够学习复杂的非线性关系。

C2f层

假设该层的参数配置为：输入通道c1=128；输出通道c2=64（c_out=64）；e=0.5（Split后的通道比例）；n=2（2个Bottleneck，对应YOLOv8-s版n=6*d=6*0.33≈2）

流程拆解（结合代码和参数）：

1x1卷积调整通道：

输入x（batch×128×h×w）通过self.cv1（1x1卷积）->输出cv1_x（batch×(128×0.5)=64×h×w）通道数从128调整到64

Split分支:

->将cv1_x64通道）Split成2个32通道的分支（0.5×64=32），得到y = [y0, y1]. y0：shortcut分支（32通道，直接保留原始特征）； y1：Bottleneck分支（32通道，进入特征提取）

Bottleneck堆叠：

self.m是2个Bottleneck的列表（n=2），每个Bottleneck的输入/输出通道数均为32（保持通道一致）。

第一个Bottleneck（m）处理y[-1]（即y1，32通道），输出m0_y1（32通道），并添加到y中→ y = [y0, y1, m0_y1]；

第二个Bottleneck（m）处理y[-1]（即m0_y1，32通道），输出m1_m0_y1（32通道），并添加到y中→ y = [y0, y1, m0_y1, m1_m0_y1]。

Concat融合特征：将y中的所有元素（共2+n=4个）在通道维度拼接（torch.cat(y, 1)）： y0（32通道）+ y1（32通道）+ m0_y1（32通道）+ m1_m0_y1（32通道）→ 总通道数=32×4=128。 1x1卷积统一通道：

拼接后的特征图（128通道）通过self.cv2（1x1卷积），输出cv2_y→ 通道数从128调整回c2=64（保持输出通道一致）。

SPPF层

SPPF层的结构可概括为： 输入 → 1×1卷积（降维）→ 三次MaxPool2d（多尺度池化）→ Concat（特征融合）→ 1×1卷积（通道调整）→ 输出

1. 第一步：1×1卷积（降维，对应图片中的「Conv k=1」）

作用：将输入通道数从512降至256（降维），减少后续池化层的计算量；同时保持特征图尺寸不变（20×20）。

图片对应：输入为h×w×c_in（20×20×512），输出为h×w×c_（20×20×256）。

2. 第二步：三次MaxPool2d（多尺度池化，对应图片中的「MaxPool2d×3」）

作用：三次池化的池化核大小相同（5×5），但感受野依次递增（5×5 → 9×9 → 13×13）。这是因为连续池化的感受野计算为：第n次池化的感受野 = 前一次感受野 + (池化核大小-1)×前一次步长乘积（步长为1，故每次增加4）。例如：第一次池化感受野=5，第二次=5+4=9，第三次=9+4=13。保持特征图尺寸不变（20×20）：通过padding=k//2（5//2=2）和stride=1，图片对应：三个MaxPool2d的输入均为前一次的输出（20×20×256），输出均为20×20×256（尺寸不变）。

3. 第三步：Concat（特征融合，对应图片中的「Concat」）

作用：将未池化的特征（cv1输出，保留原始细节）与三次池化的特征（不同感受野，捕捉不同大小目标）在通道维度拼接，融合多尺度信息。通道变化：256×4 = 1024（c_×4），尺寸仍为20×20。图片对应：输入为4个h×w×c_（20×20×256）的特征图，输出为h×w×4c_（20×20×1024）。

4. 第四步：1×1卷积（通道调整，对应图片中的「Conv k=1」）

作用：将拼接后的1024通道调整回512通道（与输入通道数一致），保持特征图尺寸不变（20×20）。图片对应：输入为h×w×4c_（20×20×1024），输出为h×w×c2（20×20×512）。

SPPF融合了原始细节（未池化）和三个不同感受野（5×5、9×9、13×13）的特征，能兼顾小目标（小感受野）和大目标（大感受野）的检测

C2f和SPPF在Backbone中的作用

C2f层是Backbone的主要特征提取模块，重复多次，逐步将原始像素转换为深层语义特征（如从“红色像素”到“猫的耳朵”）。举例：YOLOv8-s版的第一个C2f层提取“边缘特征”，第二个提取“纹理特征”，第三个提取“物体部件特征”，依此类推。

SPPF层：「多尺度特征融合器」SPPF层是Backbone的最后一步，将C2f层提取的深层语义特征与多尺度感受野特征融合，为SPPF层提供兼顾不同大小目标的特征（如小目标的边缘细节+大目标的全局语义）。举例：SPPF处理后的特征图，既可以检测“小目标（如行人的脸）”（依赖小感受野的细节特征），也可以检测“大目标（如汽车）”（依赖大感受野的语义特征）。

简单来说就是SPPF将C2f提取的特征融合起来，使得可以兼顾大小不同目标的识别。

Head层

Head层分为三个部分，第一步是多尺度特征融合—解决不同大小目标难以兼顾问题，第二步是三个解耦头，第三步是输出检测框。

多尺度特征融合

Backbone输出的P3/P4/P5特征图（对应不同stride：8/16/32）分别适合检测小目标（P3，80x80，stride=8）、中目标（P4，40x40，stride=16）、大目标（P5，20x20，stride=32）。但单一尺度的特征图无法兼顾所有目标，因此需要融合多尺度特征。

融合过程功能是融合深层语义特征（P5，大感受野，适合大目标）和浅层细节特征（P3，小感受野，适合小目标）；

使每个尺度的特征图都包含多尺度信息（如P3融合特征图既包含小目标的细节，也包含大目标的语义

融合流程：

P5→P4融合：P5（20x20x1024）通过Upsample（上采样）放大到40x40，与Backbone的P4（40x40x512）Concat（拼接）（通道维度合并，如1024+512=1536），然后经过C2f模块（shortcut=False，n=3xd）提取融合特征，得到P4融合特征图（40x40x512）。

P4→P3融合：P4融合特征图（40x40x512）通过Upsample放大到80x80，与Backbone的P3（80x80x256）Concat（512+256=768），再经过C2f模块提取特征，得到P3融合特征图（80x80x256）。